Машинное обучение в биологии и биомедицине | OpenBio.Edu

💡 Серия спринтов OpenBio У нас много новеньких на канале (👋) и перед стартом курса «Машинное обучение в биологии и биомедицине» мы решили напомнить о трех спринтах, которые стали для многих первой точкой входа в ML. Если вы проходили их раньше — самое время освежить материалы, а если нет — это отличный шанс быстрее втянуться в курс. 🔥 ML Bootcamp 🌤🌥☁️ Пятидневный интенсив по основам машинного о бучения.Мы говорили о метриках регрессии, кластеризации, нейросетях и мультиомике. Все это на реальных биомедицинских данных. ➡️ Bootcamp помогает познакомиться с различными разделами машинного обучения: с учителем, без и куда же без нейронных сетей! (А еще это хорошая возможность посмотреть на наших преподавателей в деле). ❤️‍🔥 LLM Sprint 🤫🫠🤥😶 Неделя, посвященная большим языковым моделям.Мы разбирали промптинг, сравнивали модели, учились использовать LLM в анализе статей, код-ревью, в планировании экспериментов и обсуждали риски addiction to LLM и даже этические вопросы. ➡️ Этот спринт особенно полезен тем, кто работает с биологическими данными — он показывает, как встроить LLM в исследовательскую практику и повысить эффективность без потери научной точности. 🧨 Classic ML Sprint 1⃣2⃣3⃣4⃣5⃣6⃣ Пять моделей за пять дней — регрессия, SVM, kNN, деревья решений и Наивный Байес. Каждый день — возможность познакомится с одним из классических методов машинного обучения и попробовать себя в интерпретации результатов обучения моделей. ➡️ Идеальная разминка перед первым модулем курса — именно он основан на этих «классиках» машинного обучения. Мы создаем спринты, чтобы вы не просто узнали о трендах, а прочувствовали их в работе. Это ваша возможность увидеть логику моделей, проникнуться вайбом мира ML и пойти на курс максимально подготовленным. ❕ Старт курса — 3 ноября! Это идеальный момент, чтобы разогреться перед основной программой. P.S. И это не шутка: следующий поток курса "Машинное обучение в биологии и биомедицине" запланирован аж на 2027 год. Если вы ждали знак — это он. #openbio_education 📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

💡 OpenBio sprint series Перед стартом курса «Машинное обучение в биологии и биомедицине» мы решили напомнить о наших трех спринтах, которые стали для многих первой точкой входа в ML. Если вы проходили их раньше — самое время освежить материалы, а если нет — это отличный шанс быстро втянуться в курс. 🔥 ML Bootcamp 🌤🌥☁️ Пятидневный интенсив по основам машинного обучения. Мы говорили о метриках регрессии, кластеризации, нейросетях и мультиомике. Все это на реальных биомедицинских данных. ➡️ Bootcamp помогает систематизировать базовые понятия и вспомнить, как работают модели, с которыми вы будете сталкиваться на курсе. ❤️‍🔥 LLM Sprint 🤫🫠🤥😶 Неделя, посвященная большим языковым моделям. Мы разбирали промптинг, сравнивали модели, учились использовать LLM в анализе статей, код-ревью и даже в планировании экспериментов. ➡️ Этот спринт пригодится тем, кто хочет работать быстрее: понимать, где LLM может помочь, а где лучше положиться на свои навыки. 🧨 Classic ML Sprint 1⃣2⃣3⃣4⃣5⃣6⃣ Пять моделей за пять дней — регрессия, SVM, kNN, деревья решений и Наивный Байес. Каждый день — возможность познакомится с одним из классических методов машинного обучения и попробовать себя в интерпретации результатов обучения моделей! ➡️ Идеальная разминка перед первым модулем курса — именно он основан на этих «классиках» машинного обучения. 💡 Это спринты — не просто архив. Они помогут вспомнить базу, освежить логику моделей и почувствовать ритм обучения, чтобы идти на курс уверенно. ❕ Старт курса уже 3 ноября — загляните в спринты, чтобы подойти к нему с разогретыми мозгами! #openbio_education 📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

Начинаем через 10 минут! Первый вебинар нового формата Open Code — уже на старте. Сегодня вместе с Ильей Воронцовым разбираем batch-эффект: ➡️ Визуализируем данные, ➡️ Применим PCA, ➡️ Оценим вклад batch-эффекта ➡️ Посмотрим, как меняются результаты после коррекции. Если еще не с нами — подключайтесь сейчас! Успеете попасть в прямой эфир и задать вопросы 👉 [ссылка на подключение] Заполняйте анкету что бы получить запись вебинара и готовый ноутбук!

📲 Мы начинаем новый формат! Open Code — никаких слайдов, только данные и дискуссия, только live-коддинг. 🤟 ❕ Первая тема — batch-эффект в экспрессионных данных. Он проявляется тогда, когда клетки группируются не по типам, а по тому, из какого образца они пришли.Из-за этого искажаются результаты кластеризации, определения типов клеток и реконструкции траекторий. Но не всякая разница — batch-эффект.Иногда отличия между образцами действительно отражают биологическую реальность — например, в случае опухолевых клеток. ➡️ Разберемся в этом вместе с нашим постоянным спикером — Ильей Воронцовым, преподавателем первого модуля курса «Классические методы машинного обучения». Илья более 10 лет преподает машинное обучение и анализ данных, занимается биоинформатикой в области транскрипционной регуляции в ИОГен РАН, Alma mater: МФТИ. 📅 Сегодня в 19:00 Подключайтесь, чтобы первыми увидеть, как бороться с batch-эффектом на практике. ✅ Не успеваете на эфир? Оставьте ваши контакты по ссылке — мы пришлем запись вебинара и ноутбук с готовым кодом. 📌 Курс "Машинное обучение в биологии и биомедицине" | OpenBio.Edu — подписывайтесь! #openbio_OpenCode

💡 Истории наших выпускников Мы вновь делимся нашей главной гордостью — выпускниками! Нам особенно приятно видеть, что выпускники OpenBio не останавливаются на достигнутом: поступают в магистратуры, защищают дипломные работы, развиваются в биоинформатике и смежных областях. Для нас это подтверждение тогочто наш курс стал тем самым кирпичиком в фундаменте знаний, на который можно уверенно опираться дальше. 🔺Валерия Логинова применяла машинное обучение в дипломной работе по нейромаркетингу и решила развиваться в направлении IT-медицины. 🔺Алина Лапенко использовала методы курса для анализа изображений и поступила в аспирантуру МИФИ. 🔺Вера планирует обучение в магистратуре по биоинформатике. 🔺Анастасия Михайленко после курса успешно поступила в магистратуру Сеченовского университета. Эти истории показывают, как знания, полученные на курсе, становятся частью профессионального пути. Для нас это лучший показатель того, что OpenBio действительно помогает расти — в профессии и в науке! #openbio_graduates 📌Курс "Машинное обучение в биологии и биомедицине" | OpenBio.Edu — подписывайтесь!

❔Open Code: разберемся в данных вместе 28 октября в 19:00 — приглашаем на открытый вебинар с лайв-кодингом в прямом эфире. На этот раз мы посмотрим на batch-эффект в экспрессионных данных и разберем, как его увидеть и скорректировать с помощью классических методов машинного обучения. Вместе: 🔺Визуализируем данные и посмотрим, как проявляется батч-эффект; 🔺Применим PCA для уменьшения размерности; 🔺Используем линейную регрессию, чтобы количественно оценить вклад батчей и удалить его; 🔺Сравним результаты «до» и «после» коррекции. Формат — open code session: все, что происходит на экране, можно повторить шаг за шагом. ↗️ Присоединяйтесь! 📅 Когда: 28 октября, 19:00 (МСК) 📌 Машинное обучение в биологии и биомедицине|OpenBio.Edu — подписывайтесь!

Анонс возможности попасть на первый модуль основной программы курса "Задачи классического ML для биологии и биомедицины". 📲Чтобы уверенно ориентироваться на любой карте, нужно научиться прокладывать маршрут самостоятельно: выбирать правильную дорогу, обходить препятствия и добираться до цели. Именно для этого мы запускаем отдельный доступ к первому модулю нашей основной программы «Классические методы ML» - 17 часов лекций, 9 часов семинаров, домашних проект с развернутой обратной связью. Это уже не беглый обзор, а полноценная экспедиция, где мы вместе: 🔺Разберем теорию досконально: вы поймете не только что делает модель, но и почему она работает именно так. 🔺Перейдем к практике: на семинарах вы своими руками обучите модели, научитесь настраивать их и интерпретировать результаты. 🔺Выполните проект: закрепите знания на реальной задаче и получите подробную обратную связь от наших экспертов. ❕ Полная стоимость модуля — 29 900 ₽. Но вы уже сделали первый и самый важный шаг. В награду за ваше упорство мы дарим вам скидку 10 000 ₽ по кодовой фразе из викторины. Итоговая цена для самых пытливых исследователей — 19 900 ₽. Это ваш шанс превратить недельный интерес в прочный и востребованный навык. Готовы перейти от карты к построению маршрутов — ждем вас на первом модуле! ➡️ Записаться на модуль по классическим методам машинного обучения 📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

Анонс возможности попасть на первый модуль основной программы курса "Задачи классического ML для биологии и биомедицины". 📲Чтобы уверенно ориентироваться на любой карте, нужно научиться прокладывать маршрут самостоятельно: выбирать правильную дорогу, обходить препятствия и добираться до цели. Именно для этого мы запускаем отдельный доступ к первому модулю нашей основной программы «Классические методы ML» - 17 часов лекций, 9 часов семинаров, домашних проект с развернутой обратной связью. Это уже не беглый обзор, а полноценная экспедиция, где мы вместе: 🔺Разберем теорию досконально: вы поймете не только что делает модель, но и почему она работает именно так. 🔺Перейдем к практике: на семинарах вы своими руками обучите модели, научитесь настраивать их и интерпретировать результаты. 🔺Выполните проект: закрепите знания на реальной задаче и получите подробную обратную связь от наших экспертов. ❕ Полная стоимость модуля — 29 900 ₽. Но вы уже сделали первый и самый важный шаг. В награду за ваше упорство мы дарим вам скидку 10 000 ₽ по кодовой фразе из викторины. Итоговая цена для самых пытливых исследователей — 19 900 ₽. Это ваш шанс превратить недельный интерес в прочный и востребованный навык. Готовы перейти от карты к построению маршрутов — ждем вас на первом модуле! ➡️ Записаться на модуль по классическим методам машинного обучения 📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

Поздравляем тех, кто дошел с нами до финала спринта ❤️ Наш экспресс-маршрут по миру классического машинного обучения окончен. В течение пять дней мы знакомили вас с логикой регрессий, мощью SVM, интуитивностью деревьев и скоростью Наивного Байеса. Надеемся, что нам удалось показать вам "карту местности": где находятся ключевые «города» и «реки» в области классических методов ML. ↗️ Спасибо тем, кто не просто читал посты, а анализировал графики и искал ответы в викторине и честно хотел заработать бонус от нашего проекта – мы ценим энтузиазм и настоящую мотивацию исследователя! 🎁 Для вас остался финальный штрих: соберите кодовую фразу из ваших ответов и отправьте ее в форму ниже. Для тех, кто дойдет до конца, приготовили бонус: скидку 10 000 ₽ на весь курс или…..при покупке первого модуля отдельно. Отправить кодовую фразу и зачислить на счет бонус В подарок вам сделали карточки-памятки по рассмотренным методам! 📩📥📤 📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

❔ Сегодня финальный день нашего спринта — и на сцене Наивный Байесовский классификатор. После всех деревьев, соседей и опорных векторов он может показаться слишком простым. Но именно в этой простоте - его сила: Байес не ищет сложных границ, он просто оценивает вероятности и выбирает наиболее правдоподобный вариант. Этот алгоритм часто недооценивают - а зря. Иногда именно он оказывается первым, кто находит закономерность, когда другие методы теряются в деталях. И да, именно сегодня вы сможете собрать последнюю часть кодовой фразы. 📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

🧪 Наивный байесовский классификатор Некоторые алгоритмы поражают своей силой именно в простоте. Наивный Байесовский классификатор - как раз такой случай. Несмотря на слово «наивный», он остается одним из самых популярных алгоритмов в медицине и биологии. Как работает Идея основана на формуле Байеса: P(A|B) = [P(B|A) · P(A)] / P(B) где P(A|B) - вероятность гипотезы А при условии признаков B ➡️ В классификации алгоритм считает вероятность, что объект принадлежит каждому классу, и выбирает класс с максимальным значением. ➡️ «Наивность» в том, что признаки считаются независимыми друг от друга. В реальности это редко так, но модель все равно часто работает хорошо. ✔️ Наивный Байес применяется, например, для первичной сортировки пациентов по симптомам. Если в базе есть данные о том, как часто те или иные признаки встречаются при разных диагнозах, алгоритм быстро оценит вероятность болезни и выделит группу риска. Такой инструмент может стать первым фильтром перед более сложной диагностикой. ▪️Давайте попробуем посчитать вместе, допустим, у нас есть данные о пациентах: 1️⃣ Вероятность гриппа в популяции — 10% (P(грипп)=0.1) 2️⃣ При гриппе 80% пациентов имеют температуру (P(температура ∣ грипп)=0.8) 3️⃣ Без гриппа только 20% имеют температуру (P(температура ∣ нет гриппа)=0.2) Вероятность гриппа у пациента с температурой в нашем примере возрастает с исходных 10% (распространенность в популяции) до примерно 31%. Алгоритм Байеса не говорит болен или здоров пациент, а пересчитывает шансы, учитывая новые данные ❕ Главное приемущество этого метода - его скорость: нет сложных гиперпараметров и настроек, можно обучить на тысячах пациентов за секунды. ❕ Ограничения 🔷Сильное упрощение. Независимость признаков почти никогда не выполняется. Например, давление и возраст часто связаны. 🔸Чувствительность к качеству данных. Если данные неполные или плохо подготовленные, результат сильно искажается. 🔷Не ловит сложные зависимости. Когда исход зависит от комбинации факторов, модель упрощает картину. Наивный Байес — отличный финал нашего спринта ❤️ ↗️ Вы уже собрали целый набор инструментов, с которыми можно смело заходить в биомедицинские данные: от регрессий до деревьев. Спринт был коротким путешествием, но дальше начинается полноценная экспедиция — курс, где мы разбираем эти методы глубже, с практикой, проектом и поддержкой преподавателей. 📩📥📤 #openbio_education #openbio_MLSprint 📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

❔ Вчера мы смотрели, как kNN принимает решения «по соседям». Сегодня — разберёмся с деревьями решений Дерево — это не чёрный ящик: каждое разветвление — конкретное правило «если → то». Посмотрим, насколько прозрачность помогает понять поведение модели на практике. Каждый правильный ответ снова приближает вас к полной кодовой фразе. 📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

🦠 Деревья решений. Этот метод один из самых интуитивных алгоритмов машинного обучения. Деревья работают как система вопросов «если … то …» 📲 Как устроено дерево решений 1️⃣ Корень дерева - первый признак, по которому данные делятся на группы. 2️⃣ Внутренние узлы - проверки условий. 3️⃣ Ветви - варианты ответов (обычно это «да» или «нет»). 4️⃣ Листья - итог: класс («здоров или болен») или число (например, прогноз уровня маркера). ✔️ Таким образом, дерево шаг за шагом сортирует объекты по признакам, пока не выдаст решение. Такие деревья можно использовать для стратификации пациентов. Например: В корне - возраст -> на следующем уровне - наличие диабета -> уровень артериального давления. Комбинация простых условий быстро разделяет пациентов на группы риска. ▪️Деревья для регрессии Деревья могут предсказывать не только классы, но и непрерывные значения. В этом случае в листьях стоит число (например, прогноз уровня глюкозы). Критерий выбора признака здесь другой - минимизация разброса (дисперсии) внутри подгрупп. Хорошее разбиение делает так, что пациенты в каждой ветке похожи друг на друга по значению целевой переменной. ❕ Преимущества деревьев 🔹Прозрачность: каждое правило можно нарисовать и объяснить: «если возраст > 60 и есть диабет → риск осложнений высокий». 🔹Гибкость: работают с числовыми и категориальными признаками. 🔹Не требуют нормализации: масштаб признаков (годы, нг/мл, баллы) не влияет на дерево. ❕ Ограничения 🔷Переобучение: дерево может «выучить наизусть» обучающую выборку и ошибаться на новых данных. 🔷Нестабильность: небольшие изменения в данных могут сильно изменить структуру дерева. 🔷Ограниченная точность: одно дерево решений может быть полезным, но часто оказывается слишком чувствительным: чуть измените данные - и структура дерева меняется. ✅ Для решения последней проблемы были придуманы ансамблевые методы: алгоритмы, которые соединяют несколько моделей, чтобы получить более точный и устойчивый результат. ➡️ Основные идеи ансамблей 🔺Бэггинг (bagging, bootstrap aggregating). Мы обучаем много деревьев на случайных подвыборках данных. Каждый пациент «попадает» не во все деревья, а только в часть. Итоговое решение принимается голосованием. Пример - Случайный лес (Random Forest). 🔺Бустинг (boosting). Здесь деревья строятся последовательно. Первое дерево учится на всех данных, второе - на ошибках первого, третье - на ошибках предыдущих и т. д. Так шаг за шагом алгоритм исправляет свои промахи. Пример - Gradient Boosting, XGBoost, CatBoost. как и остальные методы, ансамбли имеют свои преимущества и недостатки ❕ Преимущества ансамблей 🔻Точность: работают лучше, чем отдельные модели, особенно на сложных медицинских данных. 🔻Устойчивость: ошибки одного дерева компенсируются другими. ❕ Ограничения 🔷Риск переобучения при неосторожной настройке: особенно в бустинге, если позволить деревьям расти слишком глубокими. 🔷Ресурсоемкость: oбучение и применение может быть медленнее и требовать больше памяти. ❔Что делать, если вычислительных мощностей не хватает проверить все варианты деревьев и ансамблей? Иногда стоит начать с легкой модели, например, Наивного Байеса. О нем и поговорим завтра! #openbio_education #openbio_MLSprint 📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

❔ Сегодня разбираемся с методом k ближайших соседей (kNN) — алгоритмом, который решает по принципу: «скажи, кто рядом, и я скажу, кто ты». Он прост, но в этом его сила: модель ничего не «учит» заранее, а просто ищет похожие случаи и делает вывод по ним. Чем ближе соседи, тем сильнее их голос. 📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

📲 Метод k ближайших соседей: скажи мне, кто твой друг — и я скажу, кто ты. ➡️ Один из самых популярных и интуитивных алгоритмов метод k ближайших соседей (k Nearest Neighbors, kNN) устроен очень просто: новая точка «оглядывается» вокруг и смотрит, какие объекты находятся ближе всего. Если большинство ближайших соседей принадлежат к классу «здоров», модель прогнозирует то же самое и для новой точки. ▪️Существует несколько способов рассчитать расстояние,среди которых наиболее популярными являются следующие: ➕ Евклидово расстояние — это наиболее простая и общепринятая метрика, которая определяется как длина отрезка между двумя объектами в пространстве с n признаками ➕Манхэттенское расстояние — метрика, которая определяется как сумма модулей разностей координат двух точек в пространстве между двумя объектами n признаками ➕Косинусное расстояние — метрика, которая определяется как угол между двумя векторами в пространстве с n признаками ❕ Преимущества kNN 🔺Простота: алгоритм находит ближайших соседей и принимает решение по большинству (для классификации) или усреднению (для регрессии). 🔺 Нет этапа обучения: алгоритм не строит модель заранее, а использует всю обучающую выборку при прогнозе. 🔺Гибкость: подходит и для классификации, и для регрессии, может работать с несколькими классами и разными метриками расстояния. ❕ Ограничения 🔺Медленный на больших данных: каждый новый объект сравнивается со всеми, поэтому прогноз может занимать много времени. 🔺Чувствителен к шуму и масштабу признаков: один «неправильный» сосед или разные единицы измерения могут испортить результат. 🔺Проклятие размерности: в многомерных данных почти все точки оказываются одинаково далеки, и смысл «ближайших соседей» теряется. 🔺Выбор k критичен: слишком маленькое значение делает модель нестабильной, слишком большое - размывает границы еще 🎁 kNN принимает решение, глядя на соседей. А у нас есть похожее правило: с друзьями всегда лучше. Пригласите на обучение друга — и оба получите скидку до 35%. Учиться в компании действительно легче и веселее. ❔ Метод соседей прост, но не всегда устойчив. Тогда возникает другой подход: формулировать простые правила “если… то…”. Следующий метод “Деревья решений”. #openbio_education #openbio_MLSprint 📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!

❔ Вчера мы разбирались, как линейные модели проводят границу между классами. Сегодня — посмотрим на метод опорных векторов и попробуем прочитать его результаты глазами исследователя. SVM — метод, который не просто проводит линию, а ищет границу с максимальным зазором. Посмотрим, сможете ли вы уловить эту идею на практике. Каждый правильный ответ снова приближает вас к полной кодовой фразе. 📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!